基于改進神經(jīng)網(wǎng)絡(luò)的兩電機同步系統(tǒng)張力辨識

袁 駿，劉國海

(江蘇大學，鎮(zhèn)江 212013)

基于改進神經(jīng)網(wǎng)絡(luò)的兩電機同步系統(tǒng)張力辨識

袁 駿，劉國海

(江蘇大學，鎮(zhèn)江 212013)

張力辨識是實現(xiàn)兩電機同步系統(tǒng)無傳感器運行的重要步驟。為了辨識出張力值，在系統(tǒng)數(shù)學模型左逆存在性已證明的前提下，針對BP算法訓練慢且精度不高，兩電機系統(tǒng)存在負載擾動和系統(tǒng)噪聲的特點，提出一種基于跟蹤微分器——粒子群優(yōu)化BP網(wǎng)絡(luò)左逆軟測量辨識方法。仿真結(jié)果表明，該方法辨識出的張力可以在存在負載擾動情況下精確跟蹤張力實際值，抑制外在擾動對于張力辨識的影響，為實現(xiàn)兩電機無張力傳感器系統(tǒng)的控制提供了現(xiàn)實可行性。

兩電機同步系統(tǒng)；張力辨識；神經(jīng)網(wǎng)絡(luò)左逆；跟蹤微分器；粒子群算法

0 引 言

多電機同步系統(tǒng)廣泛應(yīng)用于各工業(yè)領(lǐng)域，比如軌道交通、電動汽車以及冶金業(yè)等[1-4]。對于由兩個三相交流感應(yīng)電機組成的兩電機同步系統(tǒng)而言，它具有多變量、非線性、強耦合和時變的特性[5]，而且在實際運行中，易受外在擾動和負載變化的影響。在兩電機同步系統(tǒng)運行過程中，皮帶的張力和運行的速度是否被同步控制是系統(tǒng)安全運行的關(guān)鍵。皮帶的滾軸由電機拖動旋轉(zhuǎn)來控制皮帶張力，若張力傳感器發(fā)生故障，錯誤測量，可能會使皮帶撕裂，最終導致整個系統(tǒng)崩潰。因此，張力控制是保證物料運輸質(zhì)量和效率的重要環(huán)節(jié)。為達到系統(tǒng)張力控制的精度要求，就必須對皮帶張力進行精確地實時監(jiān)控。如今大多類似系統(tǒng)中，都在系統(tǒng)內(nèi)部安裝傳感器來檢測張力，但張力傳感器本身精度不高、價格不菲、且信號在噪聲干擾下存在延遲現(xiàn)象[6]，這無疑使得張力傳感器的進一步應(yīng)用受到了限制。

長期以來，張力的辨識工作得到眾多專家學者的關(guān)注與探究，這些探究均基于精確系統(tǒng)模型，且系統(tǒng)運行會存在一定的外界擾動，需要對系統(tǒng)參數(shù)進行實時監(jiān)控并調(diào)整，使得辨識效果滯后，精度降低。兩電機系統(tǒng)的特性決定了其數(shù)學模型十分復雜，且系統(tǒng)工作環(huán)境惡劣，因此需要探究出一種不基于系統(tǒng)數(shù)學模型的辨識方法尤為重要。近幾年東南大學戴先中教授與王萬成博士提出一種利用神經(jīng)網(wǎng)絡(luò)逼近函數(shù)特性來實現(xiàn)對參數(shù)的跟蹤與辨識[7-8]，稱為神經(jīng)網(wǎng)絡(luò)左逆軟測量。本文利用粒子群算法(Particle Swarm Optimization，PSO)的快速性以及微分跟蹤器(Tracking Differentiator，TD)的強抗干擾力，提出了改進神經(jīng)網(wǎng)絡(luò)左逆軟測量的方法，即基于TD-PSOBP的張力左逆辨識策略，使神經(jīng)網(wǎng)絡(luò)訓練速度大幅加快，進一步提高張力辨識的精度；減少系統(tǒng)內(nèi)外干擾引起的誤差，具有較強的魯棒性。本文以兩電機同步系統(tǒng)為例，通過搭建系統(tǒng)仿真模型，分別在負載恒定和負載突變運行環(huán)境下，完成對張力值的辨識并進行比較，驗證該方法的可行性。

1 兩電機數(shù)學模型及左逆可逆性分析

1.1 兩電機同步系統(tǒng)數(shù)學模型

圖1為兩電機系統(tǒng)的物理模型，控制器通過分別傳輸控制信號給兩臺變頻器來完成對兩臺三相交流感應(yīng)電機的控制，電機軸通過一條聚酯皮帶連接，當主電機運行時，電機轉(zhuǎn)子運動帶動皮帶運動，從而完成兩電機協(xié)調(diào)運動。

圖1 兩電機同步系統(tǒng)的物理模型

在兩電機同步系統(tǒng)中，當變頻器采用矢量控制運行模式運行時，考慮轉(zhuǎn)子磁鏈恒定，其數(shù)學模型：

式中：ωi和ωri分別代表電機的同步角速度和電氣角速度；npi,Ji,ψri分別表示電機的極對數(shù)，轉(zhuǎn)動慣量和轉(zhuǎn)子磁鏈；Lri,Tri,TLi分別為電機的轉(zhuǎn)子自感，電磁時間常數(shù)以及負載轉(zhuǎn)矩；ri,ki為電機的半徑和速比(i=1, 2)；F為皮帶張力；K=E/V表示傳遞系數(shù)，其中E表示傳動帶的楊氏彈性模量，V表示期望速度；T=L0/AV為張力變化時間常數(shù)，L0表示機架間距離。

1.2 左逆系統(tǒng)的證明與搭建

根據(jù)式(1)，其中：

輸出:

y=h(x)=[y1,y2]T=[x1,x3]T=[ωr1,F]T

控制變量:

u=[u1,u2]T=[ω1,ω2]T

狀態(tài)變量:

x=[x1,x2,x3]T=[ωr1,ωr2,F]T

于是，式(1)又可被表示:

(2)

為了估計出皮帶張力x3，假定在兩電機同步系統(tǒng)中存在這樣一個子系統(tǒng)：系統(tǒng)的輸出是可直接測量量x1和x2，輸入則是不可直接測量量x3，一些系統(tǒng)參數(shù)比如u1,u2是子系統(tǒng)的可變參數(shù)。這個子系統(tǒng)被看作是一個“內(nèi)含傳感器”，如圖2所示。

圖2 “內(nèi)含傳感器”模型

根據(jù)左逆軟測量理論，本文將F作為待測變量，選取直接可測變量ωr1，根據(jù)“內(nèi)含傳感器”輔助算法[9]對第一臺電機轉(zhuǎn)速ωr1進行求導運算，可得：

(3)

得出的相應(yīng)的Jacobi矩陣為：

(4)

(5)

Jacobi矩陣的秩與待測變量個數(shù)相等，則建模算法結(jié)束，張力“內(nèi)含傳感器”構(gòu)造成功，為：

(6)

顯然，系統(tǒng)的左逆存在，且左逆系統(tǒng)可被表示為：

(7)

式中：z代表其余可測參數(shù)。

根據(jù)式所示“內(nèi)含傳感器”左逆表達式。基于“內(nèi)含傳感器”的左逆軟測量結(jié)構(gòu)如圖3所示。

圖3 基于“內(nèi)含傳感器”的左逆軟測量模型

2 張力TD-PSOBP左逆辨識

2.1 PSOBP優(yōu)化算法

作為一種全局搜索的優(yōu)化算法的PSO算法，響應(yīng)速度快，需要調(diào)整參數(shù)少。在該算法中，把解空間的每個潛在解看作一個粒子。所有粒子都有記憶能力，能記憶當前位置、速度以及適應(yīng)度值。在算法開始前，每個粒子都會初始化其速度和位置，粒子的飛行速度由該粒子自身達到的最優(yōu)位置和整個粒子種群達到的最優(yōu)位置來進行動態(tài)調(diào)整，逐次搜索得到最后的最優(yōu)解。PSO算法中各粒子根據(jù)式(8)更新自己的速度及位置。

(8)

式中：t為迭代代數(shù)；Vi=(Vi1,Vi2,…,ViN)和xi=(xi1,xi2,…,xiN)表示粒子當前的速度和位置；c1,c2為學習因子；pi表示第i個粒子自身達到的最優(yōu)位置，pg表示所有粒子所達到的最優(yōu)位置；r1,r2是分布于[0,1]的隨機數(shù)。

基于梯度下降的BP算法過分依賴于初始權(quán)閾值的選擇，不可避免地存在收斂速度慢且精度低，容易陷入局部最優(yōu)等缺陷，因此有必要利用其它算法進行完善BP網(wǎng)絡(luò)的建模功能?？紤]到BP算法的特點以及PSO算法良好的全局尋優(yōu)能力，在對神經(jīng)網(wǎng)絡(luò)訓練時，采用PSO算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)閾值進行優(yōu)化[10]，稱為PSOBP算法。該算法不僅能使網(wǎng)絡(luò)訓練速度變快，還能穩(wěn)定初始權(quán)閾值，使訓練精度提高。

PSOBP算法的實現(xiàn)步驟如下：

1) 參數(shù)初始化。初始化網(wǎng)絡(luò)的權(quán)閾值后將這些值化為單個的粒子，隨機初始化這些粒子的位置和速度；再設(shè)置好學習因子c1,c2和隨機數(shù)r1,r2；

2) 迭代更新。利用式(8)分別更新每個粒子的速度和位置，采用均方差作為粒子的適應(yīng)度函數(shù)，計算出每個粒子的適應(yīng)度值；

3) 經(jīng)過迭代更新粒子的位置和速度；找出粒子的個體最優(yōu)位置和種群最優(yōu)位置；

4) 將最優(yōu)位置的值賦給BP算法的初始權(quán)閾值并進行網(wǎng)絡(luò)訓練。

2.2 基于TD的左逆辨識方法

神經(jīng)網(wǎng)絡(luò)左逆軟測量在很多領(lǐng)域有廣泛應(yīng)用，例如生化過程測量、電力系統(tǒng)測量等。但在很多工況惡劣、噪聲干擾嚴重的情況下，左逆辨識所使用的神經(jīng)網(wǎng)絡(luò)輸入在上述影響下出現(xiàn)振蕩，輸入的微分信號也會在振蕩中被噪聲淹沒，因此辨識精確度大大降低。為改善上述情況，本文將TD[11]代替原有的傳統(tǒng)微分器，與左逆系統(tǒng)結(jié)合，利用TD噪聲中提取微分信號能力強的特點，分析并處理神經(jīng)網(wǎng)絡(luò)的輸入信號及其微分信號，保證神經(jīng)網(wǎng)絡(luò)輸入的精確性。

非線性TD不僅不依賴于目標的狀態(tài)模型，而且不需要測量噪聲特性；能在隨機噪聲或被污染的信號中有效地提取微分信號，不受干擾影響，相比于傳統(tǒng)微分器，有顯著的優(yōu)越性。因此本文采用如下非線性TD，其離散形式：

(9)

式中：fhan(x1,x2,r,h)為快速最優(yōu)控制綜合函數(shù)，其算法為：

(10)

式中：v0為輸入信號；v1為輸入信號的跟蹤信號；v2表示跟蹤的近似微分信號；h表示能量系數(shù)；h0表示濾波因子；r為速度因子；fsg(x,d)為定義區(qū)間函數(shù)，在區(qū)間[-d,d]上取1，其余取0，其表達式如式所示。

(11)

合理選擇TD的參數(shù)，就可以在噪聲及其他外部干擾下合理地提取出輸入信號的微分信號，抑制噪聲。利用TD將傳統(tǒng)的左逆觀測器進行改進，由TD代替?zhèn)鹘y(tǒng)微分器，將改造完成的基于TD的左逆(Tracking Differentiator-Neural Network Left Inversion，TD-NNLI)觀測器串聯(lián)在兩電機同步系統(tǒng)之后，構(gòu)造出左逆辨識模型。

圖4 基于TD-PSOBP左逆辨識模型

3 仿真試驗

3.1 網(wǎng)絡(luò)訓練

為了驗證改進的神經(jīng)網(wǎng)絡(luò)左逆軟測量系統(tǒng)，在MATLAB中構(gòu)建兩電機同步系統(tǒng)模型。根據(jù)實際系統(tǒng)的轉(zhuǎn)速和張力承受范圍，給定0～50 kg范圍的張力激勵，激勵采用幅值各不相同的隨機方波，使系統(tǒng)能最大化體現(xiàn)其動靜態(tài)特性，并采集激勵張力與采樣張力信號，激勵張力與采樣張力如圖5所示。

圖5 仿真中張力采樣數(shù)據(jù)

為驗證TD-PSOBP左逆系統(tǒng)的可行性，利用采樣數(shù)據(jù)分別對傳統(tǒng)BP網(wǎng)絡(luò)和PSOBP網(wǎng)絡(luò)訓練。PSO算法中學習因子c1,c2均設(shè)置為1.494 45，迭代次數(shù)設(shè)置為50次。表1列出了PSOBP網(wǎng)絡(luò)和傳統(tǒng)BP網(wǎng)絡(luò)的訓練精度和步數(shù)對比。

表1 訓練結(jié)果比較

從訓練結(jié)果可知，PSOBP網(wǎng)絡(luò)比傳統(tǒng)BP網(wǎng)絡(luò)收斂速度更快，且訓練精度大大提高，取得了較好的訓練效果。

3.2 仿真

將訓練得到的PSOBP網(wǎng)絡(luò)代入系統(tǒng)模型，串聯(lián)到兩電機同步系統(tǒng)后，得到PSOBP左逆辨識模型。張力F給定上下限為0 kg，35 kg的隨機方波。傳統(tǒng)BP左逆辨識系統(tǒng)得到的實際張力波形、辨識波形和辨識誤差結(jié)果如圖6；PSOBP左逆辨識系統(tǒng)得到的結(jié)果如圖7所示。

圖6 傳統(tǒng)BP左逆辨識仿真結(jié)果圖7 PSOBP左逆辨識仿真結(jié)果

仿真結(jié)果表明，PSOBP左逆辨識策略辨識得到的張力比傳統(tǒng)BP左逆辨識更好地跟蹤了實際值，動態(tài)響應(yīng)更快，尤其表現(xiàn)在實際張力突降時，穩(wěn)態(tài)波形平滑且辨識精度較高，辨識效果較理想。

為驗證TD-PSOBP張力左逆辨識對負載擾動的魯棒性，負載轉(zhuǎn)矩在60 s時從15 N·m突降到5 N·m。圖8和圖9為PSOBP左逆辨識和TD-PSOBP左逆辨識的辨識效果。

通過比較圖8和圖9的仿真結(jié)果可知，存在擾動時，TD-PSOBP左逆辨識的辨識結(jié)果響應(yīng)速度更快，辨識誤差能在很短時間內(nèi)收斂，穩(wěn)態(tài)誤差也較傳統(tǒng)PSOBP小，魯棒性能良好。

4 結(jié) 語

本文提出了一種在負載突變情況下的TD-PSOBP張力辨識策略，利用基于TD的張力左逆觀測器實現(xiàn)對張力的實時觀測。通過理論和仿真驗證，該策略不僅不依賴系統(tǒng)數(shù)學模型，而且訓練迅速精確，由于TD的特性使得系統(tǒng)的抗干擾能力大大增強。為工業(yè)大規(guī)模生產(chǎn)運輸節(jié)約了張力傳感器這一環(huán)節(jié)的維修費用和使用成本，具有實際意義。

[1] WANG Z，PARANJAPE R.An evaluation of electric vehicle penetration under demand response in a multi-agent based simulation[C]//IEEE Electrical Power and Energy Conference，2014，11：220-225.

[2] 盧東斌，歐陽明高，谷靖，等.電動汽車永磁同步電機最優(yōu)制動能量回饋控制[J].中國電機工程學報，2013，33(3)：83-92.

[3] 孫飛飛，劉星橋.基于自抗擾的三電機同步系統(tǒng)無速度解耦控制[J].微特電機，2014，42(1)：38-41.

[4] CANDEO A，DUCASSY C.Multiphysics modeling of induction hardening of ring gears for the aerospace industry[J].IEEE Transactions on Magnetics，2011，47(5)：918-921.

[5] 康梅，趙文祥，吉敬華，等.基于GA-RBF神經(jīng)網(wǎng)絡(luò)逆的兩電機同步控制[J].微特電機，2012，40(8)：53-57.

[6] JACOBINA C B，F(xiàn)REITAS I S.Reduced switch-count six-phase AC motor drive systems without input reactor[J].IEEE Transactions on Industrial Electronics，2008，55(5)：2024-2032.

[7] 李亮亮，何勇，葉海翔.永磁同步電動機神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)簡化模型的研究[J].微特電機，2010，38(7)：57-60.

[8] 王萬成，張媛.神經(jīng)網(wǎng)絡(luò)逆軟測量方法的拓展及在生物浸出過程中的應(yīng)用[J].儀器儀表學報，2012，33(3)：661-669.

[9] 戴先中.多變量非線性系統(tǒng)的神經(jīng)網(wǎng)絡(luò)逆控制方法[M].北京:科學出版社,2005.

[10] 潘芳，仲偉俊.基于粒子群算法的復雜應(yīng)急調(diào)度建模與仿真[J].統(tǒng)計與決策，2014(21)：18-21.

[11] 韓京清，王偉.非線性跟蹤-微分器[J].系統(tǒng)科學與數(shù)學，1994，14(2)：177-183.

Tension Identification Based on Improved Neural Network of Two-Motor Synchronous System

YUANJun,LIUGuo-hai

(Jiangsu University，Zhenjiang 212013,China)

Tension detection is a key to achieve sensorless operation of two-motor synchronous system. After proving left-invertibility of mathematical model, to identify the tension of belt, a novel identification based on tracking differentiator particle swarm optimization BP network left-inversion is proposed, considering that the convergence speed of BP network is slow and accuracy is low, two-motor system exit load disturbance and system noise. The simulated result shows that, the tension identified by the method can track the actual value exactly under the load disturbance, and also can restrain the influence of the system noise. The result offers practical feasibility for achieving the control of two-motor synchronous system under sensorless operation.

two-motor synchronous system； tension identification； neural network left-inversion (NNLI)； tracking differentiator (TD)； particle swarm optimization (PSO)

2015-10-10

國家自然科學基金項目(61273154,51577084);江蘇省高校自然科學研究重大項目(15KJA470002);江蘇省“333工程”科研資助項目(BRA2015302)

史曉娟(1970-)，女，工學博士，教授，主要研究方向為數(shù)控技術(shù)及自動化裝備。

TM346

A

1004-7018(2016)12-0077-04